Адаптивные нечеткие когнитивные карты с гибридной оптимизацией для прогнозирования продаж в условиях рыночной волатильности

Цель работы. Разработка и валидация методики адаптивных НКК с гибридной оптимизацией весов и динамической коррекцией функций принадлежности для нестабильных рынков.

Методы. Методология включает предложение трехуровневой архитектуры НКК (5 входов, 4 скрытых узла, 3 выхода), инициализированной методом Саати с коэффициентом согласованности CR=0.038; гибридную оптимизацию весов, сочетающую алгоритм роя частиц (PSO) и адаптивную регуляризацию; а также ежеквартальную адаптацию трапециевидных функций принадлежности на основе потоковой кластеризации методом Streaming C-means и сглаживания экспоненциальным взвешиванием (EMA).

Результаты. Результаты тестирования на данных розничной сети N (временной охват 62 недели, 345 наблюдений) показали: высокую точность прогнозирования с MAPE 7.2% (95% доверительный интервал [6.8;7.6]), что статистически значимо ниже (p<0.01) ошибок моделей LSTM (9.8%) и статической НКК (15.8%), и сопоставимо с точностью XGBoost (7.8%, p=0.12), при этом адаптивная НКК обеспечивает превосходство в интерпретируемости каузальных связей (например, вес влияния маркетингового бюджета на объем продаж w₁₁=0.78±0.05); повышенную робастность, выразившуюся в меньшем приросте ошибки прогноза в шоковый период марта (+49.2% для адаптивной НКК против +86.9% для LSTM); и значительную экономическую эффективность, подтвержденную результатами внедрения в ERP-систему: снижение логистических издержек на 15.2% (абсолютная экономия 5.1 млн руб.), сокращение оборачиваемости запасов с 18.3 до 15.1 дней, квартальный ROI 287.5% и расчетная чистая приведенная стоимость (NPV) проекта 9.2 млн руб. (95% ДИ [8.1;10.3]).

Заключение. Разработанная методология обеспечивает высокоточное, интерпретируемое и робастное прогнозирование продаж в нестабильных рыночных условиях, доказав свою практическую эффективность и экономическую целесообразность. Перспективные направления развития включают автоматизацию построения карт с использованием GAN, ускорение вычислений за счет реализации на CUDA и интеграцию с графовыми нейронными сетями (GNN).

1. Исторические структурные особенности регулирования финансовых обязательств / Х. С. Асатуллаев, З. А. Арсаханова, Е. С. Азарова, Н. В. Кучковская // Вопросы истории. 2021. № 6-2. С. 82–86. DOI: 10.31166/VoprosyIstorii202106Statyi32.

2. Исторические аспекты реализации влияний политических движений на экономическую среду в посткоммунистических странах / О. Т. Астанакулов, А. М. Гачаев, М. У. Яхьяева, Н. В. Кучковская // Вопросы истории. 2021. № 4-2. С. 66–75. DOI: 10.31166/VoprosyIstorii202104Statyi70.

3. Историческое формирование модели экономической безопасности государства / М. Г. Успаева, А. М. Гачаев, Н. В. Кучковская, В. Ф. Васюков // Вопросы истории. 2021. № 12-4. С. 95–102. DOI: 10.31166/VoprosyIstorii202112Statyi101.

4. Кибермошенничество: информационная угроза прошлого, настоящего и будущего / В. Ф. Васюков, А. А. Бисултанова, Н. В. Кучковская, А. Н. Першин // Вопросы истории. 2021. № 11-3. С. 275–281. DOI: 10.31166/VoprosyIstorii202111Statyi83.

5. Герасименко В. В., Куркова Д. Н., Курбацкий А. Н. Внедрение технологий искусственного интеллекта в маркетинг российских компаний: перспективы и барьеры // Российский журнал менеджмента. 2024. № 3. С. 483–508.

6. Герасименко В. В., Курбацкий А. Н., Куркова Д. Н. Цифровизация рыночных взаимодействий российских предприятий // Вестник Санкт-Петербургского университета. Экономика. 2023. Т. 39, № 4. С. 534–559. DOI: 10.21638/spbu05.2023.404.

7. Дейнекин Т. В. Искусственный интеллект в маркетинге // Маркетинг в России и за рубежом. 2019. № 2. С. 33–38.

8. Какурина А.В., Сизов А.С., Халин Ю.А. Когнитивное моделирование и прогнозирование потребления электроэнергии // Известия Юго-Западного государственного университета. 2023. Т. 27, № 4. С. 44-61. https://doi.org/10.21869/2223-1560-2023-27-4-44-61.

9. Лапидус Л. В. Вызовы цифровой экономики как триггеры цифровой трансформации: эволюционная шкала и причинно-следственные связи // Интеллект. Инновации. Инвестиции. 2023. № 3. С. 11–27.

10. Молодчик М. А., Гагарин А. С., Елтышев Р. А. Цифровой образ компании и ее стоимость // Российский журнал менеджмента. 2023. Т. 21, № 1. С. 5–22. DOI: 10.21638/spbu05.2023.101.

11. Шутько Л. Г. Конкурентные преимущества виртуальных организаций и конкурентная среда "новой экономики" России // Современные тенденции и инновации в науке и производстве: материалы Х международной научно-практической конференции, г. Междуреченск, 22 апреля 2021 года. Междуреченск: КузГТУ имени Т. Ф. Горбачева, 2021. С. 280.1–280.6.

12. Стратегия цифровой трансформации: написать, чтобы выполнить / под ред. Е. Г. Потаповой, П. М. Потеева, М. С. Шклярук. М.: РАНХиГС, 2021. 184 с.

13. Зуб А. Т. Стратегический менеджмент. 4-е изд., перераб. и доп. М.: Издательство Юрайт, 2021. 375 с.

14. Development of Organizational and Economic Mechanism of Functioning High-Tech Enterprises in the Introduction of Digital Technologies / M. G. Uspaeva, S. A. Tronin, R. A. Abramov, Y. M. Potanina // International Journal on Advanced Science, Engineering and Information Technology. 2022. Vol. 12, no. 1. P. 131–136. DOI: 10.18517/ijaseit.12.1.9988.

15. Федулов А.С. Нечеткие реляционные когнитивные карты // Известия Российской академии наук. Теория и системы управления. 2005. №1. С. 120-132.

16. Фишберг Питер С. Теория полезности для принятия решений / пер. с англ. В.Н. Воробьёва и А.Я Кирути; под ред. Н.Н.Воробьёва. М.: Наука, 1978. 352с.

17. Формализация описания неопределённости в информационных системах на основе теории нечётких множеств / С. В. Дегтярев, Ю. А. Халин, Л. А. Лисицин, В. Е. Старков // Информационно-измерительные и управляющие системы. 2013. Т. 11, № 8. С. 66-69. EDN QZFZVR.

18. Халин Ю.А., Афанасьев А.А., Кудинов В.А. Разработка онтологической модели предметной области для обработки данных корпоративных хранилищ // Известия Юго-Западного государственного университета. 2024. Т. 28, №2. С. 114-133. https://doi.org/10.21869/2223-1560-2024-28-2-114-133

19. Клиентоцентричный подход в государственном управлении: Навигатор цифровой трансформации / под ред. О. В. Линник, А. В. Ожаровского, М. С. Шклярук. М.: РАНХиГС при Президенте РФ, 2020. 180 с.

20. Локтионов А. П., Ватутин Э. И. Обработка вычислительной системой зашумленных конструктивных входных данных // Известия Юго-Западного государственного университета. 2024. Т. 28, №3. С. 245-264. https://doi.org/10.21869/2223-1560-2024-28-3-245-264